> FocusUnimore > numero 55 – febbraio 2025
Satellite monitoring of roads, robots for healthcare, medical imaging with AI and algorithms to guarantee the authenticity of food: the 4 projects of the Physical, Chemical and Engineering Sciences Macrosector (FOMO Line)
Unimore’s FAR 2024 call for proposals has funded four projects in the ERC Macrosector of Physical, Chemical and Engineering Sciences, with a contribution of around €70,000 each. Three projects are coordinated by the ‘Enzo Ferrari’ Department of Engineering: SAT-SAFE: Develops satellite monitoring and BIM methods for the safety assessment of road infrastructure, with a focus on predictive bridge maintenance. ROBIN3: Introduces the NAO robot into clinical practice for the treatment of patients with autism spectrum disorders, facilitating diagnosis and treatment through improved interactions. Synthetic Data: Uses synthetic data to overcome the limitations of medical imaging, creating artificial images to train artificial intelligence models. The fourth project, GreenTrace, co-ordinated by Prof. Caterina Durante of the Department of Chemical and Geological Sciences, integrates eco-sustainable analytical methods, machine learning and data management to guarantee the authenticity and quality of agri-food products, such as Balsamic Vinegar of Modena and honey, developing a system of traceability and authenticity for the consumer. The projects aim at innovation, improved safety, health care and food transparency, with concrete applications in society and industry.
I progetti di ricerca finanziati da Unimore attraverso il bando FAR – Fondo di Ateneo per la Ricerca 2024 – Linea FOMO (Fondazione di Modena) per il Macrosettore ERC di Scienze fisiche, chimiche e ingegneristiche – PE sono quattro, ognuno dei quali ha ricevuto un finanziamento di circa 70mila euro.
Tre progetti sono coordinati da docenti del Dipartimento di Ingegneria “Enzo Ferrari”: “Ensembling SATellite monitoring and BIM methods in the SAFety assEssment of road infrastructure – SAT-SAFE” (L’integrazione di metodi di monitoraggio satellitare e BIM per la valutazione della sicurezza delle infrastrutture stradali) guidato dal Prof. Fancesco Mancini, il progetto “ROBIN3: a ROBotic INTelligent INTuitive and INTeractive platform for NAO-Mediated Autistic Healthcare” (ROBIN3: una piattaforma ROBotica INTelligente INTuitiva e INTerattiva per l’assistenza sanitaria agli autistici mediata da NAO), coordinato dal Prof. Luigi Biagiotti e il progetto “Synthetic Data: A Solution to Medical Imaging Limitations” (Dati sintetici: Una soluzione alle limitazioni dell’imaging medico) guidato dal Prof. Federico Bolelli.
Il quarto progetto, coordinato dalla Prof.ssa Caterina Durante del Dipartimento di Scienze Chimiche e Geologiche, si intitola “GreenTrace project: Integration of Eco-Sustainable Analytical Methods, Machine Learning, and Data Management for the Authenticity and Quality of Food” (Progetto GreenTrace: Integrazione di metodi analitici ecosostenibili, machine learning e gestione dei dati per l’autenticità e la qualità degli alimenti).
Il progetto SAT-SAFE affronta il tema della manutenzione delle infrastrutture stradali, con particolare riferimento al monitoraggio di ponti tramite metodi radar-satellitari. Le valutazioni sulla sicurezza di questi asset rappresentano un fattore critico in considerazione del fatto che la maggior parte delle opere risale agli gli anni ’50 e ’70, una fase di rapida realizzazione delle maggiori infrastrutture stradali, per le quali è prevista una vita utile di circa 50 anni. Pertanto, è fondamentale implementare strategie di monitoraggio che possano essere applicate su vasta scala spaziale e che siano propedeutiche ad approcci di manutenzione predittiva e in grado di minimizzarne l’incidenza di ulteriori problematiche strutturali.
In questo contesto, l’interferometria satellitare multi-temporale risulta molto promettente, essendo in grado di fornire dati sullo spostamento di target posti sulla superficie terrestre con precisione millimetrica, elevata densità spaziale e illimitata estensione areale. Pertanto, la metodologia consente di affiancare le tradizionali tecniche di monitoraggio strutturale (Structural Health Monitoring, SHM) offrendo anche la possibilità di effettuare un preliminare lavoro di screening dello stato di salute del patrimonio infrastrutturale senza interventi sul posto.
Il progetto ha due obiettivi principali. Il primo riguarda la definizione di un approccio per l’affiancamento dei prodotti ottenibili grazie ai metodi satellitari nella mappatura dei fenomeni deformativi di terreno e strutture e nelle valutazioni sulla sicurezza delle infrastrutture stradali incluse nel territorio del Comune di Modena. Il secondo prevede invece lo sviluppo di un protocollo che stabilisca le linee guida per l’integrazione e l’utilizzo sinergico di dati provenienti dal monitoraggio satellitare nella modellazione BIM di infrastrutture e nella direzione dello sviluppo dei gemelli digitali di infrastrutture, promuovendo la transizione digitale nell’ingegneria civile.
Gli obiettivi identificati dal progetto sono coerenti con quanto previsto dal Piano Nazionale Sicurezza Stradale 2030 (elaborato dal Ministero delle Infrastrutture e della Mobilità Sostenibili) che adotta l’approccio Safe System, elaborato dalle Nazioni Unite e da altre organizzazioni internazionali attive sul tema. Tale tema è anche oggetto della Missione 3 del PNRR “Infrastrutture per la mobilità sostenibile” che prevede la successiva adozione di politiche orientate al miglioramento della sicurezza e la resilienza climatica/sismica di ponti e viadotti, utilizzando le soluzioni fornite dall’innovazione tecnologica e in un’ottica di adattamento ai cambiamenti climatici.
Ricadute in termini di conoscenze sono anche previste nelle più ampie linee strategiche individuate nella programmazione dell’Unione Europea in materia di ricerca e innovazione (si vedano i contenuti del Cluster 4 “Digital, Industry and Space – Earth Observation) e promozione delle ricadute della space economy per la società civile.
Il team di ricerca del progetto include le competenze relative al monitoraggio con tecniche terrestri e satellitari, analisi di dati spaziali e modellazione BIM (Francesco Mancini, Francesca Grassi, Sofia Costanzini) oltre a quelle necessarie all’utilizzo dei dati satellitari nelle indagini strutturali (Elisa Bassoli, Veronica Dallari).
“Il progetto propone l’utilizzo, su larga scala, dei metodi di monitoraggio basati su tecniche radar-satellitari nelle valutazioni di sicurezza di infrastrutture stradali. Nella seconda fase di sviluppo delle attività, è prevista l’implementazione dei dati provenienti dal monitoraggio satellitare nella modellazione in BIM (Building Information Modeling) per un caso studio selezionato” – ha commentato il coordinatore Prof. Francesco Mancini.
C’è poi il progetto ROBIN3, che ha l’obiettivo di introdurre l’uso del robot NAO, un piccolo robot umanoide, nella pratica clinica per il trattamento di pazienti affetti da disturbi dello spettro autistico (ASD), facilitando la diagnosi e il trattamento.
L’idea è nata grazie all’intuizione della Prof.ssa Maria Grazia Modena, in collaborazione con il Prof. Biagiotti, nell’ambito di una tesi di laurea di uno studente in Artificial Intelligence Engineering, sviluppata circa un anno fa presso il centro PASCIA, un Centro di Cardiologia del Policlinico di Modena, dedicato allo scompenso cardiaco cronico e specializzato, anche, in prestazioni cardiologiche per pazienti con disabilità intellettiva e disturbi dello spettro autistico.
I risultati iniziali sono stati molto promettenti, tanto da essere oggetto di applicazione e studio anche in ambito odontostomatologico su soggetti a sviluppo neuroatipico, previa autorizzazione del Comitato Etico per la ricerca di Ateneo; i risultati saranno oggetto di tesi di laurea. Il robot NAO ha dimostrato di poter facilitare l’interazione medico-paziente, una componente spesso decisiva nel processo terapeutico. Per questi motivi, si è deciso di proseguire con il progetto, trasformandolo in un’iniziativa strutturale.
L’obiettivo iniziale del progetto è semplificare la programmazione di un robot complesso come il NAO, che dispone di ben 25 gradi di libertà e altrettanti motori, consentendo movimenti articolati che richiedono il coordinamento di numerosi motori. La principale difficoltà nell’utilizzo di tali dispositivi da parte del personale medico riguarda la programmazione delle azioni che il robot deve compiere. Sebbene il robot disponga di un linguaggio di programmazione visuale piuttosto semplice, basato su schemi a blocchi, il suo utilizzo si è rivelato ostico per utenti non esperti.
Verranno esplorate le potenzialità dell’uso di Large Language Models (LLM), come ChatGPT, per trasformare le richieste umane in comandi interpretabili dal robot. L’obiettivo finale è creare un collaboratore robotizzato in grado di rispondere in tempo reale alle richieste del medico.
Come accennato, gli studi pilota condotti presso il centro PASCIA e presso l’ambulatorio odontoiatrico dedicato a pazienti special needs hanno prodotto risultati promettenti, suggerendo una potenziale riduzione della durata delle visite, un maggior coinvolgimento del paziente e quindi una maggiore percentuale di successo. Tuttavia, è necessario condurre un’analisi statistica su larga scala. L’obiettivo è comprendere gli effetti complessivi dell’uso di un robot sociale sul successo delle visite e valutare l’impatto delle azioni specifiche compiute dal robot, che, grazie all’architettura proposta, il medico può definire in modo autonomo e molto rapido. Inoltre, il progetto intende esaminare come questa architettura di controllo possa consentire un’interazione personalizzata tra paziente e medico mediata dal robot, estendendo l’utilizzo di questo dispositivo anche ad altri ambiti medici.
Infine, dato che il progetto ROBIN3 prevede l’impiego di un robot sociale che interagisce con persone vulnerabili, controllato tramite un’architettura basata sull’intelligenza artificiale, si valuteranno le implicazioni etiche e legali di ogni decisione ingegneristica e medica, implementando un approccio di law by design sotto il coordinamento della Prof. Isabella Ferrari. L’obiettivo è realizzare un sistema che possa essere applicato in ambito medico, garantendo la massima sicurezza in tutte le sue applicazioni.
“ROBIN3 ha un forte potenziale di impatto sia a livello sociale che tecnologico. Dal punto di vista sociale, il progetto mira a migliorare la qualità della vita delle persone con ASD, facilitandone l’interazione sociale e l’accesso alle cure. Sul piano tecnologico, ROBIN3 rappresenta un passo significativo nell’interazione uomo-robot, aprendo nuove prospettive per l’utilizzo dei robot in diversi settori, dal sanitario all’industriale – commenta il coordinatore Prof. Luigi Biagiotti –. In sintesi, ROBIN3 è un investimento nel futuro dell’assistenza sanitaria, un futuro in cui la tecnologia è al servizio delle persone, promuovendo l’inclusione sociale e migliorando la qualità della vita. Il progetto incarna una visione innovativa e interdisciplinare, che unisce competenze ingegneristiche, mediche e legali per affrontare una sfida complessa e di grande rilevanza sociale. Il gruppo di ricerca proponente ROBIN3 ringrazia l’Ateneo e la Fondazione di Modena per aver concesso, con questo finanziamento, la possibilità di affrontare questa sfida impegnativa”.
L’addestramento di algoritmi di deep learning per l’automatizzazione di attività che normalmente richiederebbero l’intelligenza umana richiede una significativa mole di dati. La produzione di questi dati segue tre fasi principali: acquisizione, selezione e annotazione. Tuttavia, raccogliere immagini reali può essere difficile, soprattutto nel settore medico, dove le normative sulla privacy limitano l’accesso ai dati. Inoltre, l’annotazione delle immagini è spesso complessa e costosa, poiché richiede l’intervento di specialisti come medici e radiologi.
Un’alternativa promettente è l’uso di dati sintetici, ovvero immagini generate artificialmente, ma sufficientemente realistiche per consentire l’addestramento dei suddetti algoritmi e il loro utilizzo in contesti reali. Questi dati possono arricchire i dataset realmente acquisiti, riducendo i costi e il tempo necessario per la raccolta e l’annotazione manuale. Inoltre, permettono di lavorare con immagini mediche senza rischiare violazioni della privacy dei pazienti e senza dover richiedere specifiche autorizzazioni etiche.
Il progetto “Synthetic Data: A Solution to Medical Imaging Limitations” mira a sviluppare strumenti di intelligenza artificiale per generare automaticamente immagini sintetiche con tre obiettivi principali: migliorare le prestazioni dei modelli di intelligenza artificiale nel campo dell’imaging medico, fornendo dati aggiuntivi per l’addestramento, offrire un’alternativa più economica e accessibile alla raccolta manuale di immagini e alla loro annotazione da parte di esperti con il fine ultimo di ottenere dataset completamente sintetici che riproducano fedelmente i dati reali.
Lo studio si concentrerà su tre tipi di immagini mediche, CBCT, WSI e Raggi X e nasce da una collaborazione tra il Dipartimento di Ingegneria “Enzo Ferrari”, il Dipartimento di Scienze Mediche e Chirurgiche Materno-Infantili e dell’Adulto nelle figure dei Proff. Anesi e Besutti e il Dipartimento Chirurgico, Medico, Odontoiatrico e di Scienze Morfologiche con Interesse Trapiantologico, Oncologico e di Medicina Rigenerativa nella figura della Prof. Bertoni.
“Ringraziamo l’Ateneo e la Fondazione di Modena per il finanziamento del progetto che rappresenterà un passo significativo nell’integrazione dell’intelligenza artificiale nel settore medico, un ambito in cui molti gruppi di ricerca a livello internazionale si stanno concentrando negli ultimi anni. Questo supporto ci consentirà di sviluppare tecnologie avanzate per la generazione di immagini sintetiche, contribuendo a superare le sfide legate alla disponibilità e all’annotazione dei dati nel medical imaging – afferma il coordinatore del progettoProf. Federico Bolelli –. L’utilizzo di dati sintetici non solo permetterà di migliorare l’accuratezza e la robustezza degli algoritmi di deep learning, ma offrirà anche un’alternativa più accessibile ed eticamente sostenibile alla raccolta di immagini reali. Oltre a ridurre i costi e i tempi necessari per l’acquisizione di dataset abiliterà la diffusione delle immagini generate garantendo al contempo il rispetto delle normative sulla privacy e facilitando lo sviluppo della ricerca libera in questo ambito”.
Garantire la qualità e l’autenticità dei prodotti agroalimentari è una priorità per la sicurezza dei consumatori e la prevenzione delle frodi. Il progetto GreenTrace, cofinanziato dalla Fondazione di Modena, nasce dalla collaborazione tra il gruppo di ricerca della Prof.ssa Caterina Durante, il Consorzio di Tutela dell’Aceto Balsamico di Modena IGP e l’Ispettorato Centrale della tutela della qualità e della repressione frodi dei prodotti agroalimentari. L’obiettivo principale del progetto è sviluppare un approccio analitico innovativo basato su tecniche avanzate ed ecocompatibili, integrate con algoritmi di machine learning e sistemi di gestione dei dati. Questo consentirà di fornire strumenti oggettivi e robusti per supportare i Consorzi di Tutela e gli enti di controllo nella verifica dell’autenticità dei prodotti alimentari.
La ricerca di GreenTrace si concentra su tre prodotti agroalimentari di alto valore economico e culturale: l’Aceto Balsamico di Modena IGP (ABM IGP), l’Aceto Balsamico Tradizionale di Modena DOP (ABTM DOP) e il miele italiano, uno degli alimenti più soggetti a contraffazione. La strategia analitica proposta prevede l’utilizzo di tecniche di fingerprinting, come la spettroscopia (UV-VIS, Fluorescenza, RAMAN) e l’analisi volatilomica (GC-IMS), che non richiedono solventi e necessitano di quantitativi minimi di campione, in linea con i principi della chimica verde.
L’integrazione di queste tecniche con algoritmi di machine learning permette di creare una vera e propria impronta digitale dei prodotti analizzati, facilitando l’identificazione di pattern complessi e l’individuazione di anomalie indicative di frodi. L’obiettivo è sviluppare uno strumento analitico oggettivo ed ecosostenibile capace di distinguere i campioni di aceto balsamico in base al loro grado di invecchiamento e il miele in base alla sua origine floreale e geografica.
Un’importante innovazione del progetto sarà la creazione di un database centralizzato per la raccolta e la gestione strutturata dei dati analitici (a cura del gruppo di ricerca della Prof.ssa Lauro Po, Dipartimento di Ingegneria Enzo Ferrari). Per la prima volta, i dati delle analisi spettroscopiche e volatilomiche saranno archiviati in un unico sistema di gestione, che fungerà da spina dorsale del progetto. L’impatto di GreenTrace si estende anche alla trasparenza nei confronti dei consumatori. I risultati delle analisi verranno integrati in QR code sulle etichette dei prodotti, permettendo agli acquirenti di verificarne direttamente l’autenticità e la provenienza.
“GreenTrace non si limita a incentivare la qualità della ricerca scientifica, ma mira anche a promuovere collaborazioni a livello nazionale e internazionale e a tutelare il patrimonio culturale materiale del nostro territorio – precisa la coordinatrice del progetto Prof.ssa Caterina Durante – . Il progetto punta a migliorare le analisi di qualità e sicurezza alimentare, affiancando alle tecniche tradizionali l’uso di algoritmi di machine learning. Si prevedono importanti impatti sulla filiera agroalimentare locale e una possibile estensione ad altri prodotti. Il progetto – chiosa la Prof.ssa Durante – coinvolge enti di rilievo nel settore, tra cui l’Ispettorato Centrale della tutela della qualità e della repressione frodi dei prodotti agroalimentari, il Consorzio di Tutela dell’Aceto Balsamico di Modena IGP, il Consorzio di Tutela dell’Aceto Balsamico Tradizionale di Modena DOP, diverse imprese del settore e l’Università di Copenhagen. Infine, particolare attenzione sarà rivolta al reclutamento di giovani ricercatori, con un dettagliato piano di formazione e crescita professionale”.